Schlechte Daten kosten Unternehmen 20 Prozent ihres Umsatzes

Ein sehr interessanter Beitrag von Thomas C. Redman auf MITSloan zu einem sicher eher sperrigen Thema: Datenqualität. Zwar reden alle über Big Data, auch über Datenschutz und Data Privacy, aber dem eher sperrigen Thema der Datenqualität und Datenhygiene nähern sich eher wenige an. Dabei haben “schlechte” Daten enormen Einfluss und richten großen Schaden an. Laut Schätzungen von Experian kostet das Unternehmen 23% ihres jährlichen Umsatzes. IBM schätzt die Schaden für die US Ökonomie auf $3.1 Milliarden im Jahr. Der Schaden durch verärgerte Kunden und falsche Entscheidungen aufgrund schlechter Daten ist enorm.

Getting in front on data quality presents a terrific opportunity to improve business performance. Better data means fewer mistakes, lower costs, better decisions, and better products. Further, I predict that many companies that don’t give data quality its due will struggle to survive in the business environment of the future.

Bad data is the norm.

via Seizing Opportunity in Data Quality

Redman führt vier Gründe an, sich umgehend mit dem Thema Datenqualität auseinanderzusetzen. Der gegenwärtige qualitative Zustand sei extrem niedrig. Dies habe direkte Konsequenzen auf die Arbeit beispielsweise sogenannter Knowledge Workers, die bis zu 50% ihrer Zeit mit Datenqualitätsfragen verplemperten. Bei Data Scientists gehe diese Zahl bis auf 80% hoch. Genau daraus resultieren die oben beschriebenen enormen Kosten und Verluste. Redman führt Beispiele an, bei denen Unternehmen wie AT&T oder Royal Dutch Shell, die das Problem angegangen sind, rund 80% der Fehler oder sogar mehr eleminieren konnten.

“Getting in front on data quality” stands in contrast to the reactive approach most companies take today. It involves attacking data quality proactively by searching out and eliminating the root causes of errors. To be clear, this is about management, not technology — data quality is a business problem, not an IT problem.

via Seizing Opportunity in Data Quality

Welche Unternehmen sollten sich unbedingt des Themas annehmen? Laut Redman sind es Unternehmen, die auf Kosten achten müssten, beispielsweise der Handel, der im Wettbewerb mit Amazon stehe. Und natürlich Unternehmen, deren Geschäftsmodell auf Daten basierten, die mit künstlicher Intelligenz experimentierten und die ihr Geschäft digitalisieren wollten. Auch müsse die Verantwortung und Zuständigkeit zwischen IT und Geschäft geklärt werden.

Redman mahnt ein schnelles und pragmatisches Vorgehen an:

The first step is to connect the organization or department’s most important business objectives to data. Which decisions and activities and goals depend on what kinds of data?

The second step is to establish a data quality baseline. I find that many executives make this step overly complex. A simple process is to select one of the activities identified in the first step — such as setting up a customer account or delivering a product — and then do a quick quality review of the last 100 times the organization did that activity. …

The third step is to estimate the consequences and their costs for bad data. Again, keep the focus narrow — managers who need to keep an eye on costs should concentrate on hidden data factories; those focusing on AI can concentrate on wasted time and the increased risk of failure; and so forth.

Finally, for the fourth step, estimate the benefits — cost savings, lower risk, better decisions — that your organization will reap if you can eliminate 80% of the most common errors. These form your targets going forward.

Chances are that after your organization sees the improvements generated by only the first few projects, it will find far more opportunity in data quality than it had thought possible. And if you move quickly, while bad data is still the norm, you may also find an unexpected opportunity to put some distance between yourself and your competitors.

via Seizing Opportunity in Data Quality

[Photo by luckey_sun on Visual Hunt /  CC BY-SA]

(Stefan Pfeiffer)

 

Leave a Reply